초록

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

본 논문에서는 세포 영상에 대해 Wavelet 계수을 이용한 인식 방법을 제안하고 있다. 자궁 경부세포진은 핵과 세포질을 분할하기 힘들기 때문에 영역분할을 통해 얻은 핵특징이 잘못 계산될 수 있어 인식율이 떨어진다. 따라서 핵의 세포만을 나타낼 수 있도록 핵의 정보를 포함하고 있는 고대역 부밴드에서는 20$\times$20 영상을 사용하였고, 세포질에 정보를 포함하고 있는 저대역 부밴드에서는 50$\times$50의 영상을 사용하였다. 영상 인식을 위한 특징 추출은 2단계 Wavelet 변환후 생성된 변환 영역에 대해서 Wavelet 계수 평균값 표준편차와 Energy를 사용하였다. 실험 결과 Wavelet 계수를 이용한 방법이 영역분할을 이용한 방법과 비교하여 더 높은 인식율 보였다.

본 논문에서는 세포 영상에 대해 Wavelet 계수을 이용한 인식 방법을 제안하고 있다. 자궁 경부세포진은 핵과 세포질을 분할하기 힘들기 때문에 영역분할을 통해 얻은 핵특징이 잘못 계산될 수 있어 인식율이 떨어진다. 따라서 핵의 세포만을 나타낼 수 있도록 핵의 정보를 포함하고 있는 고대역 부밴드에서는 20$\times$20 영상을 사용하였고, 세포질에 정보를 포함하고 있는 저대역 부밴드에서는 50$\times$50의 영상을 사용하였다. 영상 인식을 위한 특징 추출은 2단계 Wavelet 변환후 생성된 변환 영역에 대해서 Wavelet 계수 평균값 표준편차와 Energy를 사용하였다. 실험 결과 Wavelet 계수를 이용한 방법이 영역분할을 이용한 방법과 비교하여 더 높은 인식율 보였다.

AI 본문요약

엑셀 다운로드 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

• 연구 주제
• 연구 방법
• 연구 결과

문제 정의

• 본 논문에서는 세포 영상에 대한 Wavelet 계수을 이용한 자궁 경부 세포진 인식 방법을 제안한다.
• 자궁 경부 세포진은 자궁 경부암을 발견하기 위하여 사용되며, 자궁 경부암 검사는 1940년대 Papanicolaou 가 제안한, Pap smear 방법이 가장 많이 사용되고 있다. 이 검사는 자궁 경부 세포진을 피검자의 자궁 경부 부분에서 솔로 재취(smear)하고, 채취한 표본을 유리 슬 라이드에 묻혀 염색한 후, 핵 병리학 전문의가 현미경을 통해 세포들을 육안으로 관찰하여 비정상 세포가 있는지를 판정하는 것이다. Pap smear 방법은 간단하지만 5-50%까지의 위음성율(False Negative Error : 비정상을 정상이라고 판정하는 비율)을 가지고 있다.

제안 방법

• thresholding 과 morphology 기법 올 사용하여 핵 영 역 올 분할한 후 핵 영역의 중심점으로부터 50 x 50의 세 포 영상을 추출하였다.
• 영역 분할 부분에서는 정확한 핵, 세포질의 영역 대신 핵의 위치만을 정확하게 판단하여 핵을 중심으로 mask를 씌워 세포 영상을 얻은 후 2단계 Wavelet 변환 후 각 각에 부 밴드에서 웨이블릿 계수의 평균값, 표준편차, Energy을 특징으로 추출하여 인식을 한다.
• 이러한 과정을 거친 뒤 핵 영역의 분할이 이루어지는데 핵 영역을 분할하기 위하여 Morphology와 thresholding 기법을 사용한다. 이렇게 핵의 위치를 찾은 뒤에 분할된 핵 영역에서 Morphology Feature, Densitometric Feature , Colormetric Feature, Textual Feature을 통해 64개의 핵 특징을 추출하고 핵의 중앙점을 이용하여 50X50 세포 영상을 획득하여 Wavelet 특징 22개를 주 출하고, k~nn 방법을 이용하여 인식한다.
• 또한 핵, 세포질 영역을 추출하는 역할을 한다. 특징 추출 부분에서는 분할된 세포에서 핵의 형태 (shape teature)와 핵과 세포질의 면적비(nucleus / cytoplasm Rato), 핵의 명암, 핵과 세포질의 색, 핵의 질감(testure feature)등 특징을 추출한다. 추출된 특징으로 인식기를 구성하는데 일반적으로 인식기는 통계적인 방법 [3], 신경회로망에 의한 방법 [4] 등이 주로 사용된다.

대상 데이터

• 세포를 인식하는 데는 핵 부분에 가장 많은 정보가 있다는 특징이 있다. 그러므로 핵에 대한 정보를 포함하고 있는 고 대역 부 밴드에서는 20 X 20 세포 영상을 사용하고, 세 포질에 대한 정보를 포함하고 있는 저 대역 부 밴드에서는 50x50 세포 영상을 사용하였다.
• 본 실험에 사용된 영상은 자궁 경부 세포진 영상으로 24bit RGB 칼러에 해상도 640x480의 100배 영상으로 현미경의 슬라이드로부터 CCD camera를 이용하여 획득한 것이며, 영상을 얻는데 사용된 슬라이드는 삼성 제일 병원에서부터 제공 받았다.
• 원 영상은 전처리와 핵 영역 분할 단계를 통해 핵 중심으로부터 그레이레벨의 50x50 세포 영상과 20X20 세 포 영상을 데이터로 사용한다. 사용되는 데이터는 입력 데이터로서 암의 전이를 나타내는 wnl, ascus, Isil, hsii, see의 type로 나누어지고 총 5000개의 세포 이미지가 사용되었다. 이 중 학습데이타는 3136장을 사용하였고 실험데이타는 1864장을 사용하였다.
• 원 영상은 전처리와 핵 영역 분할 단계를 통해 핵 중심으로부터 그레이레벨의 50x50 세포 영상과 20X20 세 포 영상을 데이터로 사용한다. 사용되는 데이터는 입력 데이터로서 암의 전이를 나타내는 wnl, ascus, Isil, hsii, see의 type로 나누어지고 총 5000개의 세포 이미지가 사용되었다.
• 저 대역 부 밴드에서 생성된 wavelet 변환 영상은 원 영상보다 크기는 작지만 원 영상이 가지는 대부분 정보를 유지하고 있다. 이 부 밴드에서는 세포질에 대한 정보 올 얻기 위해 50x50 영상을 사용한다. 그리고 수평, 수직, 대각선 부 밴드들은 각각 texture에 대한 정보를 제공한다.
• 사용되는 데이터는 입력 데이터로서 암의 전이를 나타내는 wnl, ascus, Isil, hsii, see의 type로 나누어지고 총 5000개의 세포 이미지가 사용되었다. 이 중 학습데이타는 3136장을 사용하였고 실험데이타는 1864장을 사용하였다.

데이터처리

• 표 3은 세포 영상에 대한 Wavelet 특징과 핵에 대한 특징 64개를 합한 86개 특징에 대한 인식 결과와 특징 86개에 대해 Feature Selection을 통하여 얻은 10개의 특징에 대한 인식 결과를 비교하였다.

이론/모형

• CCD 카메라에서 획득되어진 RGB 칼라 이미지는 640 X480으로 정규화하고, 그레이레벨로 변환하여 사용한다. 이러한 과정을 거친 뒤 핵 영역의 분할이 이루어지는데 핵 영역을 분할하기 위하여 Morphology와 thresholding 기법을 사용한다. 이렇게 핵의 위치를 찾은 뒤에 분할된 핵 영역에서 Morphology Feature, Densitometric Feature , Colormetric Feature, Textual Feature을 통해 64개의 핵 특징을 추출하고 핵의 중앙점을 이용하여 50X50 세포 영상을 획득하여 Wavelet 특징 22개를 주 출하고, k~nn 방법을 이용하여 인식한다.

성능/효과

• 표 2는 세포 영상에 대한 Wavelet 특징과 핵에 대한 특징 64개를 인식 비교한 표이다. Wavelet 특징 22개를 사용한 방법이 영역 분할을 통해 얻은 핵 특징 64개를 사용한 방법보다 더 좋은 인식 결과를 보여주고 있다.
• 자궁 경부 세포진을 인식하는 경우 본 논문에서 제시한 방법을 이용한 Wavelet 인식 방법이 영역을 분할해서 얻은 특징을 이용한 인식 방법보다 좋은 결과를 나타냄을 알 수 있다.
• Wavelet 특징과 핵 특징 모두 사용하여 인식하는 경우에는 다수의 특징 개수로 인하여 중요하지 않은 특징들이 포함될 수 있다. 추출된 86개의 특징들을 평가하여 가장 정보량이 많은 10개의 특징만을 사용한 경우 83.67%의 인식률을 보여, 86개 전체특징을 사용한 경우보다 4.43%의 인식률이 향상되었다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기